TensorFlow实现基于深度学习的图像补全

'center':

scale = 0.25

assert(scale <= 0.5)

mask = np.ones(self.image_shape)

l = int(self.image_size*scale)

u = int(self.image_size*(1.0-scale))

mask[l:u, l:u, :] = 0.0

我们会在 carpedm20/DCGAN-tensorflow 的基本上构造模型。

6.[ML-Heavy] 在Tensorflow上构建DCGANs

这部分的实如今我的 bamos/dcgan-completion.tensorflow Github库中。我须要强调的是，这部分的代率攀来自Taehoon Kim的 carpedm20/DCGAN-tensorflow 。在我本身的库中应用它，便利我们鄙人一部分图像补全中应用。

大年夜部分实现代码在model.py中的一个python类，DCGAN中。把所有器械放进一个类中是有很多好处的，如许我们可以在练习停止后保存住中心过程，并在之后的应用中加载。

起首我们定义生成器和判别器构造。linear,conv2d_transpose, conv2d, 和 lrelu 函数在 ops.py 中定义。

defgenerator(self, z): 
 
    self.z_, self.h0_w, self.h0_b = linear(z,self.gf_dim*8*4*4, 'g_h0_lin', with_w=True) 
 
 
    self.h0 = tf.reshape(self.z_, [-1, 4, 4,self.gf_dim * 8]) 
 
    h0 = tf.nn.relu(self.g_bn0(self.h0)) 
 
 
    self.h1, self.h1_w, self.h1_b =conv2d_transpose(h0, 
 
        [self.batch_size, 8, 8, self.gf_dim*4],name='g_h1', with_w=True) 
 
    h1 =tf.nn.relu(self.g_bn1(self.h1)) 
 
 
    h2, self.h2_w, self.h2_b =conv2d_transpose(h1, 
 
        [self.batch_size, 16, 16,self.gf_dim*2], name='g_h2', with_w=True) 
 
    h2 = tf.nn.relu(self.g_bn2(h2)) 
 
 
    h3, self.h3_w, self.h3_b =conv2d_transpose(h2, 
 
        [self.batch_size, 32, 32,self.gf_dim*1], name='g_h3', with_w=True	
			 4/10   首页 上一页 2 3 4 5 6 7 下一页 尾页	
			

　　推荐阅读
　　机器学习PAI实践三：雾霾成因分析
            
            一、背景本案其实是采取了两种不合的算法对于结不雅进行猜测，我们先来看看随机丛林这一分支。我们经由过程将数据集拆分，百分之八十的数据练习模型，百分之二十的数据猜测。最终模型的出>>>详细阅读


本文标题：TensorFlow实现基于深度学习的图像补全
地址：http://www.17bianji.com/lsqh/35350.html
 1/2    1